总览¶
flowchart LR data[数据结构与算法] data-->CA[复杂度分析] data-->BA[基础算法] data-->Sort[排序] data-->Search[搜索] data-->Find[查找] data-->Match[字符串匹配] data-->Other[其他] data-->Link[线性表] data-->Hash[散列表] data-->Tree[树] data-->ggraph[图] CA-->空间复杂度 CA-->时间复杂度 时间复杂度-->最好 时间复杂度-->最坏 时间复杂度-->平均 时间复杂度-->均摊 BA-->贪心 BA-->分治 BA-->动态规划 BA-->回溯 BA-->枚举 Sort-->n2[O_n^2] Sort-->nlogn[O_nlogn] Sort-->n[O_n] n2-->冒泡排序 n2-->插入排序 n2-->选择排序 n2-->希尔排序 nlogn-->归并排序 nlogn-->快速排序 nlogn-->堆排序 n-->计数排序 n-->基数排序 n-->桶排序 Search-->深度优先搜索 Search-->广度优先搜索 Search-->A*启发式搜索 Find-->线性表查找 Find-->树结构查找 Find-->散列表查找 Match-->朴素 Match-->KMP Match-->Robin-Karp Match-->Boyer-Moore Match-->AC自动机 Match-->Trie Match-->后缀数组 Other-->数论 Other-->计算几何 Other-->概率分析 Other-->并查集 Other-->拓扑网络 Other-->矩阵运算 Other-->线性规划 Link-->数组 Link-->链表 Link-->栈 Link-->队列 链表-->单链表 链表-->双向链表 链表-->循环链表 链表-->双向循环链表 链表-->静态链表 栈-->顺序栈 栈-->链式栈 队列-->普通队列 队列-->双端队列 队列-->阻塞队列 队列-->并发队列 队列-->阻塞并发队列 Hash-->散列表 Hash-->冲突解决 Hash-->动态扩容 Hash-->位图 冲突解决-->链表法 冲突解决-->开放寻址 冲突解决-->1[其他] Tree-->二叉树 Tree-->多路查找树 Tree-->堆 Tree-->2[其他] 二叉树-->平衡二叉树 二叉树-->二叉查找树 二叉树-->平衡二叉查找树 二叉树-->完全二叉树 二叉树-->满二叉树 平衡二叉查找树-->AVL树 平衡二叉查找树-->红黑树 多路查找树-->B树 多路查找树-->B+树 多路查找树-->2-3树 多路查找树-->2-3-4树 堆-->大顶堆 堆-->小顶堆 堆-->优先级队列 堆-->斐波那契堆 堆-->二项堆 2-->树状数组 2-->线段树 ggraph-->图的存储 ggraph-->拓扑排序 ggraph-->最短路径 ggraph-->关键路径 ggraph-->最小生成树 ggraph-->二分图 ggraph-->最大流 图的存储-->邻接矩阵 图的存储-->邻接表
基础算法¶
快速排序¶
基本流程：
- 确定分界点：通常随机选取q[l],q[(l+r)/2],q[r]
- 调整区间，左边区间
，右边区间
。
- 递归处理左右区间。
时间复杂度：
**随机取点时，不推荐使用边界点。**当给定的序列有序时，如果每次选择区间左端点进行划分，每次会将区间[L, R]划分成[L, L]和[L + 1, R]，那么相当于每次递归右半部分的区间长度只会减少1，所以就需要递归n-1次了，时间复杂度会达到 。但每次选择区间中点或者随机值时，划分的两个子区间长度会比较均匀，那么期望只会递归
层。
const int N = 1e6 + 10;
int n;
int q[N];
void quick_sort(int n[], int l, int r) {
//判断是否有元素
if (l >= r) return;
//因为这里为了递归，在每次都直接将数组的指针进行加一，所以这里在声明的时候将范围左右各扩展一个
//这里x也不能取到n[r]，理由和下面的类似
int x = q[(l+r)/2], i = l - 1, j = r + 1;
while (i < j) {
do i++; while (n[i] < x);
do j--; while (n[j] > x);
if (i < j) std::swap(n[i], n[j]);
}
//注意，这里是划分成了[l,j]和[j+1,r]两个区间
quick_sort(n, l, j);
quick_sort(n, j + 1, r);
}void quick_sort(int n[], int l, int r) {
//判断是否有元素
if (l >= r) return;
//因为这里为了递归，在每次都直接将数组的指针进行加一，所以这里在声明的时候将范围左右各扩展一个
//这里初值位置修改成这样是因为当下面递归使用i时，防止出现右边界死循环，用j的时候不会发生这个问题
int x = n[(l+r+1)/2], i = l - 1, j = r + 1;
while (i < j) {
do i++; while (n[i] < x);
do j--; while (n[j] > x);
if (i < j) std::swap(q[i], q[j]);
}
quick_sort(n, l, i-1);
quick_sort(n, j, r);
}~~要是觉得快排是不稳定的算法，可以将所有元素都变成二元组。这样每个元素都是不一样的了，就不涉及稳不稳定的问题了。~~归并排序是稳定的。
归并排序¶
基本流程：
- 确定分界点：
- 递归排序左右区间
- 归并，合二为一
时间复杂度：，且需要一个额外的辅助数组空间。
int q[N], temp[N];
void merge_sort(int p[], int l, int r) {
if (l >= r)return;
//这里也可以写成l+r>>1
int mid = (l + r) / 2;
//递归处理
merge_sort(p, l, mid);
merge_sort(p, mid + 1, r);
//这里的k记录tmp数组中的位置
int k = 0, i = l, j = mid + 1;
while (i <= mid && j <= r) {
if (p[i] <= p[j]) temp[k++] = p[i++];
else temp[k++] = p[j++];
}
//如果还有没有处理的元素，进行处理
while (i <= mid) temp[k++] = p[i++];
while (j <= r) temp[k++] = p[j++];
//将tmp数组中的数组转移到原本的数组中,注意这里的i使用l初始化
for (i = l, j = 0; i <= r; i++, j++) {
p[i] = temp[j];
}
}逆序对的数量¶
最直接的方法的时间复杂度是，可以使用归并排序计算逆序对数量。
若i是左区间的遍历索引，j为右区间的遍历索引。当数组[i]大于[j]时，此时逆序对数量为。进行累加即可。
对于测试数量级较大时，逆序对数量用long long 比较好。
#include <iostream>
using namespace std;
const int N=100010;
int q[N],tmp[N];
int n;
long long x=0;
void merge_sort(int q[],int l,int r){
if(l>=r) return;
int mid=(l+r)/2;
merge_sort(q,l,mid);
merge_sort(q,mid+1,r);
int k=0,i=l,j=mid+1;
while(i<=mid&&j<=r){
if(q[i]<=q[j]) tmp[k++]=q[i++];
else {
x+=mid-i+1;
tmp[k++]=q[j++];
}
}
while(i<=mid) tmp[k++]=q[i++];
while(j<=r) tmp[k++]=q[j++];
for(i=l,j=0;i<=r;i++,j++) q[i]=tmp[j];
}
int main(){
scanf("%d",&n);
for(int i=0;i < n;i++) scanf("%d",&q[i]);
merge_sort(q,0,n-1);
//for(int i=0;i < n;i++) printf("%d ",q[i]);
printf("%ld",x);
}二分搜索¶
二分的本质不是单调性，有单调性一定可以二分，但是没单调性也不一定不能使用二分。对于整数二分而言，是边界，即一侧区间满足某种性质，另一侧不满足某种性质。
整数二分¶
将一个域划分为两个相反区间。
整数二分中没有交点。
-
区间[l,r]被划分为[l,mid]和[mid+1,r]
-
-
区间[l,r]被划分为[l,mid-1]和[mid,r]
-
**这里的mid是否加一,取决于当为true时是l=mid还是r=mid.如果是l=mid,默认的除法是下取整,在l和r之间只相差一个的时候导致一直是l=l,进而导致死循环.**写程序的时候先写成l+r>>1，之后再根据l和r，选择是否+1。
需要考虑如果找不到的情况，二分出来的结果就是最靠近的那个元素。
bool check(double x) {/* ... */} // 检查x是否满足某种性质
//区间[l,r]被划分为[l,mid]和[mid+1,l]时使用
int bsearch_1(int l,int r){
while(l<r){
int mid=l+r>>1;
if(check(mid)) r=mid;
else l=mid+1;
}
return l;
}
//区间[l,r]被划分为[l,mid-1]和[mid,r]时使用
int bsearch_2(int l, int r){
while(l<r){
int mid=l+r+1>>1;
if(check(mid))l=mid;
else r=mid-1;
}
return l;
}浮点数二分¶
浮点数二分不需要处理边界，所以相对简单。
下面是一个开方的函数,就是利用了浮点数的二分.如果精度要求是四位小数le-6,五位精度le-7类推.
int kaifang(double x) {
double l = 0, r = max(1,x); //注意这里如果是0.01则结果是0.1直接用x无法得出对应的答案
while (r - l > 1e-8) {
double mid = (l + r) / 2;
if (mid * mid >= x)r = mid;
else l = mid;
}
return l;
}大整数计算¶
两数相加¶
这里的选择使用数组存储大整数，这里第0位存个位数，最高位放在数组最后面。这样当发生进位的时候，容易处理。
#include <iostream>
#include <vector>
using namespace std;
vector<int> add(const vector<int> &A,const vector<int> &B){
vector<int> C;
//t为当前操作位
int t=0;
for (int i = 0; i < A.size()|| i < B.size() ; ++i) {
if (i<A.size()) t+=A[i];
if (i<B.size()) t+=B[i];
C.push_back(t%10);
t/=10;
}
//注意，最后进位不为0的话需要进一
if (t) C.push_back(1);
return C;
}
int main(){
string a,b;
cin>>a>>b;
vector<int> A,B;
//注意下面的i是从size()-1开始，size()出没有值
for(int i=a.size()-1;i>=0;i--) A.push_back(a[i]-'0');
for(int i=b.size()-1;i>=0;i--) B.push_back(b[i]-'0');
auto C=add(A,B);
for(int i=C.size()-1;i>=0;i--) printf("%d",C[i]);
return 0;
}这个算法的第零位存放的是数字的个位。
两数相减¶
//当结果的位数>1时，去掉结果高位的无用0
void trimZero(vector<int> &A){
while (A.back()==0&&A.size()>1) A.pop_back();
}
//C=A-B
vector<int> sub(vector<int> &A,vector<int> &B){
vector<int> C;
int t=0;
for (int i=0;i<A.size();i++){
t=A[i]-t;
if (i<B.size()) t-=B[i];
C.push_back((t+10)%10);
if (t<0) t=1;
else t=0;
}
trimZero(C);
return C;
}
//是否A>=b
bool cmp(vector<int> &A,vector<int> &B){
if (A.size()!=B.size()) return A.size()>=B.size();
for (int i = A.size()-1 ; i >= 0 ; --i) {
if (A[i]!=B[i])
return A[i]>B[i];
}
return true;
}
int main(){
string a,b;
cin>>a>>b;
vector<int> A,B;
//读入的数字存放进vector
for(int i=a.size()-1;i>=0;i--) A.push_back(a[i]-'0');
for(int i=b.size()-1;i>=0;i--) B.push_back(b[i]-'0');
vector<int> C;
if (cmp(A,B)){
C= sub(A,B);
} else{
printf("-");
C= sub(B,A);
}
for(int i=C.size()-1;i>=0;i--) printf("%d",C[i]);
return 0;
}这个算法需要注意要去除多余的0。
两数相乘¶
//A是大正整数，B是相对小的正整数(直接定义为int型)
vector<int> mul(vector<int> &A,int B){
vector<int> C;
int t=0;
for (int i = 0; i < A.size()||t; ++i) {
t+=A[i]*B;
C.push_back(t%10);
t/=10;
}
// 去除前导0
while(C.back()==0&&C.size()>1) C.pop_back();
return C;
}两数相除¶
#include <algorithm>
//A是被除数，B是除数，C是商，r是余数。注意这里的r需要被调用，记得加引用
vector<int> div(vector<int> &A, int B, int &r) {
vector<int> C;
r = 0;
for (int i = A.size() - 1; i >= 0; --i) {
r = r * 10 + A[i];
C.push_back(r / B);
r = r % B;
}
// 注意反转
reverse(C.begin(), C.end());
while (C.back() == 0 && C.size() > 1)C.pop_back();
return C;
}前缀与差分¶
前缀和¶
前缀和一定要从1开始。
a[]和s[]数组的第0位都放0，之后进行存储运算从第1位开始。这样在进行计算s[]的时候可以直接用-1
前缀和与差分是逆运算。
差分与前缀和可以使得一个数组区间加减一个数的时间复杂度从降低至
。原本执行流程是遍历所有情况后
一维前缀和¶
int a[N],s[N]，其中a[i]表示真实数组中第i个元素的值，s[N]表示前i个元素的和。前缀和公式为。
int main(){
ios::sync_with_stdio(false);
scanf("%d%d",&n,&m);
for (int i = 1; i <=n ; ++i) {
scanf("%d",&a[i]);
}
for (int i = 0; i <= n; ++i) {
s[i]=s[i-1]+a[i];
}
while (m--){
int l,r;
scanf("%d%d",&l,&r);
printf("%d\n",s[r]-s[l-1]);
}
return 0;
}二维前缀和¶
结构原理同上，公式为和
。
int main() {
ios::sync_with_stdio(false);
scanf("%d%d%d", &n, &m, &q);
for (int i = 1; i <= n; ++i) {
for (int j = 1; j <= m; ++j) {
scanf("%d", &a[i][j]);
}
}
for (int i = 1; i <= n; ++i) {
for (int j = 1; j <= m; ++j) {
s[i][j]=s[i-1][j]+s[i][j-1]-s[i-1][j-1]+a[i][j];
}
}
while (q--){
int x1,y1,x2,y2;
scanf("%d%d%d%d",&x1,&y1,&x2,&y2);
printf("%d\n",s[x2][y2]-s[x1-1][y2]-s[x2][y1-1]+s[x1-1][y1-1]);
}
return 0;
}应用¶
一阶差分
给定a[]数组，求一段区间内元素加上某一数值的和。
思路：假定前缀和数组a[]每个元素都是从0开始，差分数组b[]相应的也都是0。然后获取a[]每个元素的过程视为a[i]=(i,i)区间内加上的值。
使用前缀和计算原数组：，前缀和就是
的累加。
const int N=100010;
int a[N],b[N];
void insert(int l,int r, int c){
b[l]+=c;
b[r+1]-=c;
}
int main(){
int n,m;
scanf("%d%d",&n,&m);
for (int i = 1; i <=n; ++i) {
scanf("%d",&a[i]);
}
for (int i = 1; i <=n; ++i) {
insert(i,i,a[i]);
}
while (m--){
int l,r,c;
scanf("%d%d%d",&l,&r,&c);
insert(l,r,c);
}
for (int i = 1; i <=n ; ++i) {
b[i]+=b[i-1];
}
for (int i = 1; i <=n ; ++i) {
printf("%d ",b[i]);
}
return 0;
}二阶差分
const int N = 1010;
int a[N][N], b[N][N];
void insert(int x1, int y1, int x2, int y2, int c) {
b[x1][y1] += c;
b[x2 + 1][y1] -= c;
b[x1][y2 + 1] -= c;
b[x2 + 1][y2 + 1] += c;
}
int main() {
int n, m, q;
scanf("%d%d%d", &n, &m, &q);
for (int i = 1; i <= n; ++i) {
for (int j = 1; j <= m; ++j) {
scanf("%d", &a[i][j]);
}
}
for (int i = 1; i <= n; ++i) {
for (int j = 1; j <= m; ++j) {
insert(i, j, i, j, a[i][j]);
}
}
while (q--){
int x1,y1,x2,y2,c;
scanf("%d%d%d%d%d",&x1,&y1,&x2,&y2,&c);
insert(x1,y1,x2,y2,c);
}
for (int i = 1; i <= n; ++i) {
for (int j = 1; j <= m; ++j) {
b[i][j]+=b[i-1][j]+b[i][j-1]-b[i-1][j-1];
}
}
for(int i=1;i<=n;i++){
for(int j=1;j<=m;j++){
printf("%d ",b[i][j]);
}
puts("");
}
return 0;
}双指针算法¶
双指针算法大致可以分成两种，即两个指针指向不同的两个空间和两个指针指向同一空间的不同区间。
双指针算法的核心是将朴素算法中的两层及其以上的嵌套循环优化到O(n)。
双指针的模板的大都类似这样：
for(int i=0,j=0;i<n;i++){
while(j<i&&check(i,j))j++;
//每道题目的具体逻辑
}在最长连续不重复子序列中朴素的算法如下：
for (int i=0;i<n;i++){
for(int j=0;j<=i;j++){
if(check(j,i)){
res=max(res,j-i+1);
}
}
}这种算法的时间复杂度在。
采用双指针算法时间复杂度能降低至。
for(int i=0,j=0;i<=n;i++){
while(j<=i&&check(j,i)) j++;
res=max(res,j-i+1);
}这里i是终点，j是往右最远的距离就是答案。本题中j的移动是单调的。所以只有有重复的必然是b[a[i]]所带来的，将j右移,b[a[j]]–。
下面是双指针实现的最长连续不重复子序列：
const int N=100010;
int a[N],b[N];
int main(){
int n;
int ans=0;
scanf("%d",&n);
for(int i=0;i<n;i++){
scanf("%d",&a[i]);
}
for(int i=0,j=0;i<n;i++){
b[a[i]]++;
while(b[a[i]]>1){
b[a[j]]--;
j++;
}
ans=max(ans,i-j+1);
}
printf("%d",ans);
return 0;
}位运算¶
一般用于计算n的二进制表示第k位是什么。n>>k&1
lowbit(x)：返回x的最后一位1。实现的原理是基于C++中负数是原数取反+1，所以x&-x即x&(~x+1)。、取反后最后一位1是0之后都是1，加1之后全部变成0,最后一位再次变成1,前面的还是取反状态与运算0。
二进制中1的个数¶
#include <iostream>
int lowbit(int x){
return x&-x;
}
int main(){
int n;
scanf("%d",&n);
int x,t=0;
while(n--){
scanf("%d",&x);
while(x){
x-=lowbit(x);
t++;
}
printf("%d ",t);
t=0;
}
return 0;
}整数离散化¶
难点：
- 数组中可能有重复元素，去重。
- 如何找出相应数对应的下标，二分。
C++中的unique(容器.begin(),容器.end())函数将所有重复元素放置到容器的尾部，并返回指向第一个重复元素的迭代器。
离散化模板：
vector<int> alls;//存储所有待离散化的值
sort(alls.begin(),alls.end());//将所有值排序
alls.erase(unique(alls.begin(),alls.end()),alls.end());//去重
//二分求出x对应的离散化的值，找出第一个大于等于x的位置
int find(int x){
int l=0,r=alls.size()-1;
while(l<r){
int mid=l+r>>1;
if(alls[mid]>=x)r=mid;
else l=mid+1;
}
return r+1;//映射到1,2..，不加一就是不映射
}针对范围很大，但是其中使用到的元素很少的情况，使用离散化是一个不错的选择。
求区间和：假定有一个无限长的数轴，数轴上每个坐标上的数都是0。现在，我们首先进行 n 次操作，每次操作将某一位置x上的数加c。接下来，进行 m 次询问，每个询问包含两个整数l和r，你需要求出在区间[l, r]之间的所有数的和。
#include <iostream>
#include <vector>
#include <algorithm>
using namespace std;
//坐标x的数量上限为1e5，两个坐标l,r的数量上限也为1e5,所以加起来为3*le5
const int N=300010;
typedef pair<int,int> PII;
vector<PII> add,query;
vector<int> alls;
int q[N],s[N];
int find(int x){
int l=0,r=alls.size()-1;
while(l<r){
int mid=l+r>>1;
if(alls[mid]>=x) r=mid;
else l=mid+1;
}
//因为后续要使用前缀和，所以返回的坐标要加上1
return r+1;
}
//unique的自己实现
vector<int> unique(vector<int> &A){
int j=0;
for(int i=0;i<A.size();i++){
if(!i||A[i]!=A[i-1]) A[j++]=A[i];
}
return A.begin()+j;
}
int main(){
int n,m;
scanf("%d %d",&n,&m);
int x,c;
//一次性读取所有添加和查询的坐标，以便进行离散化
for(int i=0;i<n;i++){
scanf("%d %d",&x,&c);
add.push_back({x,c});
alls.push_back(x);
}
int l,r;
for(int i=0;i<m;i++){
scanf("%d %d",&l,&r);
query.push_back({l,r});
alls.push_back(l);
alls.push_back(r);
}
//排序去重
sort(alls.begin(),alls.end());
alls.erase(unique(alls.begin(),alls.end()),alls.end());
//处理加入，构建原数组
for(auto item:add){
q[find(item.first)]+=item.second;
}
//计算前缀和
for(int i=1;i<=alls.size();i++) s[i]=s[i-1]+q[i];
//查询
for(auto item:query){
printf("%d\n",s[find(item.second)]-s[find(item.first)-1]);
}
return 0;
}区间合并¶
#include <iostream>
#include <vector>
#include <algorithm>
using namespace std;
typedef pair<int,int> PII;
vector<PII> seg;
void merge(vector<PII> a){
vector<PII> res;
//按左端点排序
sort(seg.begin(),seg.end());
int st=-2e9,ed=-2e9;
for(auto item:seg){
//情况1：两个区间无法合并
if(ed<item.first){
//区间1放进res数组
if(st!=-2e9)res.push_back({st,ed});
//维护区间2
st=item.first;
ed=item.second;
}else{
ed=max(item.second,ed);
}
}
//剩下还有一个序列，但循环中没有放进res数组，因为它是序列中的最后一个序列
if(st!=-2e9) res.push_back({st,ed});
seg=res;
}
int main(){
int n;
scanf("%d",&n);
int l,r;
while(n--){
scanf("%d %d",&l,&r);
seg.push_back({l,r});
}
merge(seg);
printf("%d",seg.size());
return 0;
}启发式合并¶
manacher算法¶
最小表示法¶
构造¶
打表¶
数据结构¶
在笔试与面试的时候，直接生成节点的结构体在new的时候会花费大量时间。因此，需要使用数组来模拟链表，优化执行时间。
链表与邻接表¶
单链表最大的用途是写邻接表，而邻接表最大的用途是存储图和树。邻接表的实现就是一堆单链表的集合。
双链表来优化某些问题。
使用两个数组记录一个链表，在算法题目中大多使用这种形式的链表，避免了new和delete过程所花费的时间。
单链表数组实现¶
#include <iostream>
const int N = 100010;
//va[i]表示i的数值，ne[i]表示节点i中的next指针是多少
int va[N], ne[N];
//head表示头节点的下标，idx存储当前已经用到了哪个点
int head, idx;
void init() {
head = -1;
idx=0;
}
void insert_head(int key){
va[idx]=key;
ne[idx]=head;
head=idx;
idx++;
}
void insert(int key,int value){
va[idx]=value;
ne[idx]=ne[key];
ne[key]=idx;
idx++;
}
void remove(int key){
ne[key]=ne[ne[key]];
}
int main() {
int n;
scanf("%d", &n);
init();
char op;
int key, value;
while (n--) {
getchar();
scanf("%c", &op);
if (op == 'H') {
scanf("%d", &key);
insert_head(key);
}
if (op == 'D') {
scanf("%d", &key);
//如果删除的是头节点，将头指针设置为头指针指向的下一个
if(!key) head=ne[head];
//注意下标
else remove(key-1);
}
if (op == 'I') {
scanf("%d %d", &key, &value);
//注意下标
insert(key-1,value);
}
}
for (int i = head; i !=-1 ; i=ne[i]) {
printf("%d ",va[i]);
}
return 0;
}双链表数组实现¶
双链表不同于单链表在于其拥有左节点和右节点的信息。因此基础的数据为e[i],l[i],r[i],idx。索引0固定为起始节点，索引1固定为结束节点，因此初始化可以设置为r[0]=1,l[1]=0,idx=2。
#include <iostream>
using namespace std;
const int N = 1e6 + 10;
int l[N], r[N], e[N];
int idx;
void init() {
//0代表起始端点，1代表结束端点
//真实数字从idx==2开始存放
idx = 2;
l[1] = 0;
r[0] = 1;
}
//此函数的逻辑是插入k的右侧节点
//若需要实现插入k的左侧节点只需传入l[k]即可
void add(int k, int v) {
e[idx] = v;
l[idx] = k;
r[idx] = r[k];
l[r[k]] = idx;
r[k] = idx;
++idx;
}
void remove(int k) {
r[l[k]] = r[k];
l[r[k]] = l[k];
}
int main() {
int n;
init();
scanf("%d", &n);
while (n--) {
char op[3];
int x, y;
scanf("%s", &op);
if (!strcmp("L", op)) {
scanf("%d", &x);
add(0, x);
}
if (!strcmp("R", op)) {
scanf("%d", &x);
add(l[1], x);
}
if (!strcmp("D", op)) {
scanf("%d", &x);
remove(x + 1);
}
if (!strcmp("IL", op)) {
scanf("%d%d", &x, &y);
add(l[x + 1], y);
}
if (!strcmp("IR", op)) {
scanf("%d%d", &x, &y);
add(x + 1, y);
}
}
for (int i = r[0]; i != 1; i = r[i]) printf("%d ", e[i]);
return 0;
}栈¶
这里使用数组来模拟栈结构。
#include <iostream>
#include <cstring>
using namespace std;
const int N = 1e6 + 10;
int stk[N], top = -1;
void push(int x) {
stk[++top] = x;
}
int pop() {
return stk[top--];
}
const char *empty() {
return top == -1 ? "YES" : "NO";
}
int query() {
return stk[top];
}
int main() {
int n;
char op[6];
scanf("%d", &n);
while (n--) {
int x;
scanf("%s", &op);
if (!strcmp(op, "push")) {
scanf("%d", &x);
push(x);
}
if (!strcmp(op, "pop")) pop();
if (!strcmp(op, "empty")) printf("%s\n", empty());
if (!strcmp(op, "query")) printf("%d\n", query());
}
return 0;
}单调栈¶
常见模型：找出每个数左边离它最近的比它大/小的数
这里主要应用了结果的单调性，即找左边最近的最大或者最小的数。由于之前的数若大于等于当前数字则出栈，其永远不会是解，直至找到栈顶最小的数，并将当前数字压入栈中。
int tt=0;
for(int i=1;i<=n;i++){
while(tt&&check(q[tt],i)) tt--;
stk[++tt]=i;
}单调队列¶
常见模型：找出滑动窗口中的最大值/最小值
int hh=0,tt=-1;
for(int i=0;i<n;i++){
while(hh<=tt&&check_out(q[hh])) hh++;//判断队头是否滑出窗口
while(hh<=tt&&check(q[tt],i)) tt--;
// 注意这里的新元素存放，可能新入队的元素满足条件，需要放在结果集操作前面
q[++tt]=i;
}Trie¶
Trie可以实现高效的存储和查找字符串集合。其本质上采用树的结构。除根节点之外的所有节点来存储字符串的每个字符信息。依据字符串来创建Trie树，并记录每个节点作为字符串结尾的次数。
能算法题中能使用Trie数的题目，必然限制了字符的范围，一般在26到52之间。
汉字这种字符特别多的情况，可以将其转化为二进制数，范围就成了01之间。
Trie树示意图：
const int N = 1e5 + 1;
// s存放的trie树，横坐标为所有字符串个数，纵坐标为每个字符串的字符，同一层级元素在不同行
// s[i][j]==0既可能是根节点也可能是叶子结点
// cnt[x]存放以x为结尾的单词个数
// idx记录当前处理的s数组行数
int s[N][26], cnt[N], idx;
char op, str[N];
void insert(const char *str) {
int p = 0;
for (int i = 0; str[i]; ++i) {
int u = str[i] - 'a';
if (!s[p][u]) s[p][u] = ++idx;
p = s[p][u];
}
++cnt[p];
}
int query(const char *str) {
int p = 0;
for (int i = 0; str[i]; ++i) {
int u = str[i] - 'a';
if (!s[p][u]) return 0;
p = s[p][u];
}
return cnt[p];
}并查集¶
通常将两个集合合并或查询两个元素是否在一个集合当中，朴素算法的时间复杂度为，而并查集的优点在于进行上述两种操作时，时间复杂度近乎
，并不是完全
。
基本原理为：每个集合用一棵树来表示。树根的编号就是整个集合的编号。每个节点存储它的父节点。p[x]表示x的父节点。
- 如何判断树根：
if(p[x]==x) - 求x的集合编号：
while(p[x]!=x) x=p[x]; - 如何合并两个集合：设立任意一条边属于另一个树
- 如何优化并查集寻找父节点的过程：使用路径压缩，即在寻找的过程中，将所有子节点的父指针直接指向树根。一般不用大枝合并。
const int N = 1e5 + 10;
int s[N];
// 返回idx的根节点+路径压缩
int find(int idx) {
if (idx != s[idx]) s[idx] = find(s[idx]);
return s[idx];
}
int main() {
int n, m, a, b;
scanf("%d%d", &n, &m);
char op[2];
for (int i = 1; i <= n; i++) s[i] = i;
while (m--) {
scanf("%s%d%d", &op, &a, &b);
if (op[0] == 'M') s[find(a)] = find(b);
else {
if (find(a) == find(b)) printf("Yes\n");
else printf("No\n");
}
}
return 0;
}
堆¶
堆这种数据结构本身支持以上五种操作，前三种在STL中有之间实现，后两种可以间接实现。
- 插入一个元素
- 求集合中最小元素的值
- 删除最小元素
- 删除任意元素
- 修改任意元素
小根堆的定义就是其节点小于等于其左右子节点的值。其根节点就是整个数的最小值。在小根堆中上述五种的实现可以用伪代码表示：
heap[++size]=x;up(size);heap[1]heap[1]=heap[size--];down(1);heap[k]=heap[size--];down(k);up(k);heap[k]=x;down(k);up(k);
上述表达中的size表示当前占用到的索引，这里的索引从1开始，这样x的左子节点就可以方便的设置为2x，右子节点为2x+1。down操作表示将对应索引的向底层下降，up操作表示将对应索引向根节点靠近。
针对修改任意一个元素或删除任意一个元素，其实都是只有三种情况：down、up或者不变。如果需要down，则up实则不会执行。需要up同理。因此上述两种直接写上down和up操作即可。
建堆¶
堆的建立不推荐使用插入的方式解决，效率太低是O(nlogn)。这里阐述一个O(n)复杂度的建堆方式，并给出复杂度分析。
思想就是直接从下标开始执行down操作直至1下标。
之所以这么做是基于下标之间的关系及其完全二叉树的性质。由于完全二叉树的性质，我们可以知道在某一节点之后的所有节点都是叶子节点。再结合下标之间的关系可以知道，最后一个非叶子节点就是的位置。因此之后的所有叶子节点不需要进行调整位置，因为其父节点调整时会调整符合条件的叶子结点，而其本身没有子节点。
原本的插入方式来建堆，其复杂性依赖于树的深度其复杂度为，建堆中有n个元素，因此总时间复杂度为
。
但是采用上述方法创建堆，其时间复杂度大大较少。
可以分析出其是一个等差数列求和，可以使用错位相减获得和的计算公式，再借助极限就可以发现其复杂度无限接近。
int s[N], len;
void down(int idx) {
int min = idx;
if (2 * idx <= len && s[2 * idx] < s[min]) min = 2 * idx;
if (2 * idx + 1 <= len && s[2 * idx + 1] < s[min]) min = 2 * idx + 1;
if (idx != min) {
swap(s[idx], s[min]);
down(min);
}
}
void up(int idx) {
while (idx >> 1 && s[idx >> 1] > s[idx]) swap(s[idx >> 1], s[idx]);
}
int main() {
int n, m;
scanf("%d%d", &n, &m);
for (int i = 1; i <= n; i++) scanf("%d", &s[i]);
len = n;
// 建堆
for (int i = n >> 1; i; i--) down(i);
while (m--) {
printf("%d ", s[1]);
s[1] = s[len--];
down(1);
}
return 0;
}可以使用堆优化Dijkstra算法。但是需要两个二个额外的数组空间hp、ph来维护从堆到数组的映射关系、数组到堆的映射关系。
const int N = 1e5 + 10;
// h: 堆数据
// ph[i]: 第k数的堆索引
// hp[i]: 索引i是第hp[i]个插入的数
// len: 堆索引
int h[N], ph[N], hp[N], len;
// 这里的ab都是堆中的索引
void heapSwap(int a, int b) {
swap(ph[hp[a]], ph[hp[b]]);
swap(hp[a], hp[b]);
swap(h[a], h[b]);
}
void down(int idx) {
int t = idx;
while (t && 2 * t <= len) {
idx = t;
if (2 * idx <= len && h[idx * 2] < h[t]) t = 2 * idx;
if (2 * idx + 1 <= len && h[idx * 2 + 1] < h[t]) t = 2 * idx + 1;
if (t != idx) heapSwap(idx, t);
else break;
}
}
void up(int idx) {
while (idx >> 1 && h[idx >> 1] > h[idx]) {
heapSwap(idx, idx / 2);
idx /= 2;
}
}
int main() {
// n: 操作数量
// x: 操作数
// m: 第m个数
int n, x, y, m = 0;
scanf("%d", &n);
char op[3];
while (n--) {
scanf("%s", op);
if (!strcmp(op, "I")) {
scanf("%d", &x);
ph[++m] = ++len;
hp[len] = m;
h[len] = x;
up(len);
} else if (!strcmp(op, "PM"))
printf("%d\n", h[1]);
else if (!strcmp(op, "DM")) {
heapSwap(1, len--);
down(1);
} else if (!strcmp(op, "D")) {
scanf("%d", &x);
int k = ph[x];
heapSwap(k, len--);
down(k);
up(k);
} else if (!strcmp(op, "C")) {
scanf("%d%d", &x, &y);
h[ph[x]] = y;
down(ph[x]);
up(ph[x]);
}
}
return 0;
}
这段代码维护了上述信息。
堆排序分析¶
复杂度¶
整个堆排序的过程，都只需要极个别临时存储空间，所以堆排序是原地排序算法。堆排序包括建堆和排序两个操作，建堆过程的时间复杂度是，排序过程的时间复杂度是
。所以，堆排序整体的时间复杂度是
。
稳定性¶
堆排序不是稳定的排序算法，因为在排序的过程，存在将堆的最后一个节点跟堆顶节点互换的操作，所以就有可能改变值相同数据的原始相对顺序。
索引为0开始¶
如果节点的下标是，那左子节点的下标就是
，右子节点的下标就是
，父节点的下标就是
。
为何不如快速排序¶
-
堆排序数据访问的方式没有快速排序友好。
对于快速排序来说，数据是顺序访问的。而对于堆排序来说，数据是跳着访问的。 而不是像快速排序那样，局部顺序访问，所以，这样对 CPU 缓存是不友好的。
-
对于同样的数据，在排序过程中，堆排序算法的数据交换次数要多于快速排序。
我们在讲排序的时候，提过两个概念，有序度和逆序度。对于基于比较的排序算法来说，整个排序过程就是由两个基本的操作组成的，比较和交换（或移动）。快速排序数据交换的次数不会比逆序度多。
但是堆排序的第一步是建堆，建堆的过程会打乱数据原有的相对先后顺序，导致原数据的有序度降低。比如，对于一组已经有序的数据来说，经过建堆之后，数据反而变得更无序了。
整数Hash¶
哈希算法是一种期望算法。在平均情况下来看，每个节点对应的数可以认为是常数级别的。因此时间复杂度近似可以看成。
graph LR 哈希表-->存储结构 哈希表-->字符串哈希方式 存储结构-->开放寻址法 存储结构-->拉链法
离散化可以理解为一种特殊的哈希方式，其需要保序。
哈希函数：
- 将x映射进一个范围，一般用取余的操作。x mod 范围
- 冲突解决。针对冲突解决有三种方法：
- 开放寻址法：出现散列冲突之后，就去寻找下一个空的散列地址
- 线性寻址：线性寻址步长是1
- 二次探测：步长是线性寻址步长的2次方
- 随机探测：每次步长随机
- 再散列函数法：发生散列冲突后，换一个散列函数计算散列值
- 拉链法：在计算出的位置索引出链上一个链表，其中存放在这个位置的所有元素
- 开放寻址法：出现散列冲突之后，就去寻找下一个空的散列地址
不管哪种探测方法，散列表中空闲位置不多的时候，散列冲突的概率就会提高，为了保证操作效率，我们会尽可能保证散列表中有一定比例的空闲槽位，我们用装载因子来表示空位的多少，装载因子=填入元素/散列表长度，装载因子越大，表明空闲位置越少，冲突越多，散列表性能降低。
算法题中一般只涉及插入和查找操作，不涉及删除。如果一定要实现删除，可以选择将对应节点做上标识的方式，而不是真的去删除。
取模的数一般推荐选择采用质数且离2的整次幂尽可能的远，这样冲突的概率较小，可以通过数学证明。
取模计算（寻找第一个大于）的实现：
//使用双重循环， 遍历寻找的方法，且遍历的范围不可能大于sqrt(i)
for(int i = 1e5; ; i++){
bool flag = true;
for(int j = 2; j * j <= i; j++){
if( i % j == 0){
flag = false;
break;
}
}
if(flag){
printf("%d",i);
break;
}
}拉链法¶
int h[N], e[N], ne[N], idx;
// 向哈希表中插入一个数
void insert(int x)
{
int k = (x % N + N) % N;
e[idx] = x;
ne[idx] = h[k];
h[k] = idx ++ ;
}
// 在哈希表中查询某个数是否存在
bool find(int x)
{
int k = (x % N + N) % N;
for (int i = h[k]; i != -1; i = ne[i])
if (e[i] == x)
return true;
return false;
}开放寻址法¶
注意这里h的空间一般需要放到题目元素数组元素的2到3倍。因为开放寻址法在每个元素都有的情况下，会陷入死循环。
这里的选择的0x3f3f3f3f标记没有元素。因此可以直接是用memset(h,0x3f,sizeof h),因为int是4字节，memset会每个字节塞0x3f。
int h[N];
// 如果x在哈希表中，返回x的下标；如果x不在哈希表中，返回x应该插入的位置
int find(int x)
{
int t = (x % N + N) % N;
while (h[t] != null && h[t] != x)
{
t ++ ;
if (t == N) t = 0;
}
return t;
}Splay¶
树套树¶
莫队¶
树链剖分¶
动态树¶
Dancing Links¶
左偏树¶
后缀树组¶
后缀自动机¶
点分治和点分树¶
CDQ分治¶
仙人掌¶
字符串处理¶
暴力算法¶
对于字符串匹配问题，暴力算法的时间复杂度为O(n*m)。只要枚举文本串的起始位置i，然后从改位开始逐位与模式串进行匹配。如果匹配过程中每一位都相同，则匹配成功。否则，只要出现某位不同，就让文本串的起始位置变成i+1，并从头开始模式串的匹配。字符串比较过程中，必然会每个字符之间进行大量重复比较，其很难优化。暴力算法其时间复杂度最差的情况为每次扫描在模式串最后处才匹配失败。其实现算法如下。
// brute force暴力枚举算法
// 复杂度为O(n*m)。当n和m为1e5数量级时，算法完全不可用。
void bruteForce(char *S, char *P) {
int lens = strlen(S), lenp = strlen(P);
for (int i = 0; i <= lens - lenp; ++i) {
bool flag = true;
for (int j = 0; P[j] != '\0'; ++j) {
if (S[i + j] != P[j]) {
flag = false;
break;
}
}
if (flag) printf("%d ", i);
}
}因此，优化整体的检查次数，利用上一次扫描的结果避免重复的比较是优化方向，也是KMP算法的主要优化方式。
KMP¶
KMP算法的核心思想就是如何利用字符串对比中的信息，简化循环的次数，利用可用的重复性。朴素算法采用两个for循环对每个字符串的元素进行比较，KMP先针对模式串进行处理，获取其next数组。其next[i]表示当前元素从右往左与从模板起始处相同子串的最大长度。这样当出现不匹配的情况时，可以一次性向后移动多个位置，而不是一个个移动，将算法的复杂度降至O(m+n)。KMP算法利用了模式串内部的重复性在失配的时候将模式串向后移动与匹配指针对齐，减少无意义的匹配。
KMP算法中定义可用重复性使用的是Partial Match数组，PM[i]表示字符串长度为i+1的前缀里（除本身外）最长相等前后缀的长度。为了方便使用，Next数组。Next[i]表示匹配模式串i位置失配模式串向后滑动对其匹配指针的位置。Next数组的构建方式为将PM数组整体向后移动一位，并在第一个位置出补上-1。此时，Next数组的前两位就固定为Next[0]=-1,Next[1]=0。因为本身不计算，其只能是0。
在书写代码的时候next这个名字可能被使用了，可以使用ne作为名字。next[i]表示使子串s[0…i]的前缀s[0…k]等于后缀s[i-k…i]的最大的k（注意前缀跟后缀可以部分重叠，但不能是s[0…i]本身）。如果找不到相等的前后缀，则令next[i]=-1。显然，next[i]就是所求最长相等前后缀中前缀最后一位的下标。
为了提升 KMP 算法的易用性，我们定义 Next 数组为 -1 接上删去最后一位的PM数组，这样有一个好处就是在T[x]处失配，我们可以直接通过 Next[x] 跳转，而不是复杂地还要去找 pm[x-1] 然后再移动字符串再从下一位开始继续匹配。
这里在赘述以下 Next 数组的使用方法：我们先暴力匹配的过程将模式串与目标串进行匹配，当失配的时候，我们比较$ S[p]\neq =T[q]$ 的时候失配，分两种情况：
- q = 0，下一步目标串下一位和模式串从头比较，也就是
S[p+1]与T[0]进行比较。 - q > 0，我们将模式串向后移动，使
T[Next[q]]对齐S[p]，下一步比较这两位。
我们可以通过证明使用 Next 数组与使用 PM 数组等价，证明 Next 数组的正确性。
紧接着看如何计算 Next 数组，其实从意义上理解我们是在计算 PM 数组。Next[i] 就是算 的最长前后缀长度是多少，这有两种情况：
* 如果
T[i – 1] = T[Next[i-1]]，那么Next[i] = Next[i – 1] + 1。因为Next[i-1]存储的是的最长前后缀，如果能在这个基础上增加 1 个得到
Next[i]，那一定是最长的。
* 如果，那么我们可以把它看作是 T 的前缀和$ T[0\cdots i-1]$ 的匹配问题且在这一步失配了，那么我们可以使用上述的 KMP 算法跳 Next 数组比较
T[i-1]与 T[Next[Next[i-1]]]，再分成现在说的这两种情况考虑。（或者确认模式串此前缀的最长前后缀长度为 0 为止）
// KMP算法
// 复杂度为O(m+n)
vector<char> ne;
void build(const char *pattern) {
int len = strlen(pattern);
// 这里多放的一位表示完成匹配
ne.resize(len + 1);
for (int i = 0, j = ne[0] = -1; i < len; ne[++i] = ++j) {
while (~j && pattern[j] != pattern[i]) j = ne[j];
}
}
vector<int> match(const char *text, const char *pattern) {
vector<int> res;
int lenp = strlen(pattern), lent = strlen(text);
build(pattern);
for (int i = 0, j = 0; i < lent; ++i) {
while (j > 0 && text[i] != pattern[j]) j = ne[j];
if (text[i] == pattern[j]) ++j;
if (j == lenp) res.push_back(i - lenp + 1), j = ne[j];
}
return res;
}字符串前缀哈希¶
核心思想：将字符串看成P进制数，P的经验值是131或13331，取这两个值的冲突概率低小技巧：取模的数用，这样直接用
unsigned long long存储，溢出的结果就是取模的结果。
注意这里不能从0开始映射，这样会导致0和00、000之类的都没有区别。所以必须从非0开始。
typedef unsigned long long ULL;
ULL h[N], p[N]; // h[k]存储字符串前k个字母的哈希值, p[k]存储 P^k mod 2^64
// 初始化
p[0] = 1;
for (int i = 1; i <= n; i ++ )
{
h[i] = h[i - 1] * P + str[i];
p[i] = p[i - 1] * P;
}
// 计算子串 str[l ~ r] 的哈希值
ULL get(int l, int r)
{
return h[r] - h[l - 1] * p[r - l + 1];
}搜索与图论¶
DFS与BFS¶
| 数据结构 | 空间 （h是树的高度） | 特性 | |
|---|---|---|---|
| DFS | stack | 不具有最短性 | |
| BFS | queue | 可以计算最短路径 |
DFS具体应用可以去看下n皇后。
BFS具体应用可以看下走迷宫。
图和树的存储¶
树可以理解为一种特殊的图，与图的存储方式相同。
对于无向图就是一种特殊的有向图，因此只需要考虑有向图的存储。
graph LR; 有向图存储-->邻接矩阵 有向图存储-->邻接表
邻接矩阵¶
g[a][b]存储边a->b。如果只是连通，可以用bool表示；如果包含权重信息，可以用int类型。通常稠密图使用
邻接表¶
通常稀疏图使用
// 对于每个点k，开一个单链表，存储k所有可以走到的点。h[k]存储这个单链表的头结点
int h[N], e[N], ne[N], idx;
// 添加一条边a->b
void add(int a, int b){
e[idx] = b, ne[idx] = h[a], h[a] = idx ++ ;
}
// 初始化
idx = 0;
memset(h, -1, sizeof h);树与图的遍历¶
时间复杂度，
表示点数，
表示边数。
-
深度优先遍历
int dfs(int u) { st[u] = true; // st[u] 表示点u已经被遍历过 for (int i = h[u]; i != -1; i = ne[i]) { int j = e[i]; if (!st[j]) dfs(j); } }具体实现可以参考AcWing 846. 树的重心，代码实现
-
广度优先遍历
queue<int> q; st[1] = true; // 表示1号点已经被遍历过 q.push(1); while (q.size()) { int t = q.front(); q.pop(); for (int i = h[t]; i != -1; i = ne[i]) { int j = e[i]; if (!st[j]) { st[j] = true; // 表示点j已经被遍历过 q.push(j); } } }具体实现可以参考AcWing 847. 图中点的层次，代码实现
满二叉树¶
除最后一层无任何子节点外，每一层上的所有节点都有两个子节点二叉树。
定义：一个二叉树，如果每一层的节点数都达到最大值，则这个树就是满二叉树。即，如果一个二叉树的层数为K，且节点总数为
，则它是满二叉树。
完全二叉树¶
完全二叉树是在满二叉树的基础上引申出来的。对于深度为k，有n个节点的二叉树，当且仅当每个节点都与深度为k的满二叉树中编号从1至n的节点一一对应就是完全二叉树。
定义：若设二叉树的深度为h，除第 h 层外，其它各层 (1～h-1) 的结点数都达到最大个数，第 h 层所有的结点都连续集中在最左边，这就是完全二叉树。
拓朴排序¶
有向无环图一定存在拓扑序列，也被成为拓扑图。有环图必然不存在拓扑排序。
有向无环图至少存在一个入度为0的点，可以用反证法证明。如果每个点的入度都不为0，当一直回溯是可以回溯到第n+1个节点，但总共为n个节点，所以矛盾。
时间复杂度 ,
表示点数，
表示边数
bool topsort()
{
int hh = 0, tt = -1;
// d[i] 存储点i的入度
for (int i = 1; i <= n; i ++ )
if (!d[i])
q[ ++ tt] = i;
while (hh <= tt)
{
int t = q[hh ++ ];
for (int i = h[t]; i != -1; i = ne[i])
{
int j = e[i];
if (-- d[j] == 0)
q[ ++ tt] = j;
}
}
// 如果所有点都入队了，说明存在拓扑序列；否则不存在拓扑序列。
return tt == n - 1;
}具体实现可以参考AcWing 848. 有向图的拓扑序列，代码实现
最短路¶
n表示点数，m表示边数。
源点：起点
汇点：终点
单源最短路¶
朴素dijkstra算法¶
思路：
-
dist[1]=0,dist[i]=+∞
-
for i :1~n
t<-不在s中的距离最近的点
s<-t
用t更新其他点的距离
if dist[x]>dist[t]+w 更新dist[x]
s：当前已确定最短距离的点
时间复杂是，
表示点数，
表示边数
int g[N][N]; // 存储每条边
int dist[N]; // 存储1号点到每个点的最短距离
bool st[N]; // 存储每个点的最短路是否已经确定
// 求1号点到n号点的最短路，如果不存在则返回-1
int dijkstra(int index) {
memset(dist, 0x3f, sizeof dist);
// 起点不能直接放在已遍过的集合中，因为需要起点更新dist，直接跳过起点，将无法更新之后的dist
dist[index] = 0;
for (int i = 1; i <= n; ++i) {
// t为当前在集合中最近的点
int t = -1; // 在还未确定最短路的点中，寻找距离最小的点
for (int j = 1; j <= n; ++j)
if (!st[j] && (t == -1 || dist[t] > dist[j]))t = j;
st[t] = true;
if (t==n) break;
// 用t更新其他点的距离
for (int j = 1; j <= n; ++j) dist[j] = min(dist[j], dist[t] + g[t][j]);
}
// 如果之后是0x3f3f3f3f则表明不是该点无法到达
if (dist[n] == 0x3f3f3f3f) return -1;
else return dist[n];
}具体实现可以参考AcWing 849. Dijkstra求最短路 I
堆优化版dijkstra¶
时间复杂度,
表示点数，
表示边数
堆的实现有两种方法：
typedef pair<int, int> PII;
int n; // 点的数量
int h[N], w[N], e[N], ne[N], idx; // 邻接表存储所有边
int dist[N]; // 存储所有点到1号点的距离
bool st[N]; // 存储每个点的最短距离是否已确定
// 求1号点到n号点的最短距离，如果不存在，则返回-1
int dijkstra()
{
memset(dist, 0x3f, sizeof dist);
dist[1] = 0;
priority_queue<PII, vector<PII>, greater<PII>> heap;
heap.push({0, 1}); // first存储距离，second存储节点编号
while (heap.size())
{
auto t = heap.top();
heap.pop();
int ver = t.second, distance = t.first;
if (st[ver]) continue;
st[ver] = true;
for (int i = h[ver]; i != -1; i = ne[i])
{
int j = e[i];
if (dist[j] > distance + w[i])
{
dist[j] = distance + w[i];
heap.push({dist[j], j});
}
}
}
if (dist[n] == 0x3f3f3f3f) return -1;
return dist[n];
}具体实现可以参考AcWing 850. Dijkstra求最短路 II
Bellman-Ford算法¶
时间复杂度,
表示点数，
表示边数
当出现负权回路时，最短路不一定存在的。因为存在负权回路的节点并不在最短路上就没事。
注意在模板题中需要对下面的模板稍作修改，加上备份数组。
int n, m; // n表示点数，m表示边数
int dist[N]; // dist[x]存储1到x的最短路距离
struct Edge // 边，a表示出点，b表示入点，w表示边的权重
{
int a, b, w;
}edges[M];
// 求1到n的最短路距离，如果无法从1走到n，则返回-1。
int bellman_ford()
{
memset(dist, 0x3f, sizeof dist);
dist[1] = 0;
// 如果第n次迭代仍然会松弛三角不等式，就说明存在一条长度是n+1的最短路径，由抽屉原理，路径中至少存在两个相同的点，说明图中存在负权回路。
for (int i = 0; i < n; i ++ )
{
memcpy(backup, dist, sizeof dist);
for (int j = 0; j < m; j ++ )
{
int a = edges[j].a, b = edges[j].b, w = edges[j].w;
if (dist[b] > dist[a] + w)
// 松弛操作
dist[b] = dist[a] + w;
}
}
if (dist[n] > 0x3f3f3f3f / 2) return -1;
return dist[n];
}具体实现可以参考AcWing 853. 有边数限制的最短路
SPFA 算法（队列优化的Bellman-Ford算法）¶
使用限制：要求当前图不存在负权回路
时间复杂度平均情况下，最坏情况下
,
表示点数，
表示边数
int n; // 总点数
int h[N], w[N], e[N], ne[N], idx; // 邻接表存储所有边
int dist[N]; // 存储每个点到1号点的最短距离
bool st[N]; // 存储每个点是否在队列中
// 求1号点到n号点的最短路距离，如果从1号点无法走到n号点则返回-1
int spfa()
{
memset(dist, 0x3f, sizeof dist);
dist[1] = 0;
queue<int> q;
q.push(1);
st[1] = true;
while (q.size())
{
auto t = q.front();
q.pop();
st[t] = false;
for (int i = h[t]; i != -1; i = ne[i])
{
int j = e[i];
if (dist[j] > dist[t] + w[i])
{
dist[j] = dist[t] + w[i];
if (!st[j]) // 如果队列中已存在j，则不需要将j重复插入
{
q.push(j);
st[j] = true;
}
}
}
}
if (dist[n] == 0x3f3f3f3f) return -1;
return dist[n];
}具体实现可以参考AcWing 851. spfa求最短路
spfa判断图中是否存在负环¶
时间复杂度是,
表示点数，
表示边数
int n; // 总点数
int h[N], w[N], e[N], ne[N], idx; // 邻接表存储所有边
int dist[N], cnt[N]; // dist[x]存储1号点到x的最短距离，cnt[x]存储1到x的最短路中经过的点数
bool st[N]; // 存储每个点是否在队列中
// 如果存在负环，则返回true，否则返回false。
bool spfa()
{
// 不需要初始化dist数组
// 原理：如果某条最短路径上有n个点（除了自己），那么加上自己之后一共有n+1个点，由抽屉原理一定有两个点相同，所以存在环。
queue<int> q;
for (int i = 1; i <= n; i ++ )
{
q.push(i);
st[i] = true;
}
while (q.size())
{
auto t = q.front();
q.pop();
st[t] = false;
for (int i = h[t]; i != -1; i = ne[i])
{
int j = e[i];
if (dist[j] > dist[t] + w[i])
{
dist[j] = dist[t] + w[i];
cnt[j] = cnt[t] + 1;
if (cnt[j] >= n) return true; // 如果从1号点到x的最短路中包含至少n个点（不包括自己），则说明存在环
if (!st[j])
{
q.push(j);
st[j] = true;
}
}
}
}
return false;
}具体实现可以参考AcWing 852. spfa判断负环
多源最短路¶
floyd算法¶
时间复杂度是,
表示点数
初始化：
for (int i = 1; i <= n; i ++ )
for (int j = 1; j <= n; j ++ )
if (i == j) d[i][j] = 0;
else d[i][j] = INF;
// 算法结束后，d[a][b]表示a到b的最短距离
void floyd()
{
for (int k = 1; k <= n; k ++ )
for (int i = 1; i <= n; i ++ )
for (int j = 1; j <= n; j ++ )
d[i][j] = min(d[i][j], d[i][k] + d[k][j]);
}具体实现可以参考AcWing 854. Floyd求最短路
最小生成树¶
朴素版prim算法¶
时间复杂度是,
表示点数，
表示边数
int n; // n表示点数
int g[N][N]; // 邻接矩阵，存储所有边
int dist[N]; // 存储其他点到当前最小生成树的距离
bool st[N]; // 存储每个点是否已经在生成树中
// 如果图不连通，则返回INF(值是0x3f3f3f3f), 否则返回最小生成树的树边权重之和
int prim()
{
memset(dist, 0x3f, sizeof dist);
int res = 0;
for (int i = 0; i < n; i ++ )
{
int t = -1;
for (int j = 1; j <= n; j ++ )
if (!st[j] && (t == -1 || dist[t] > dist[j]))
t = j;
if (i && dist[t] == INF) return INF;
if (i) res += dist[t];
st[t] = true;
for (int j = 1; j <= n; j ++ ) dist[j] = min(dist[j], g[t][j]);
}
return res;
}具体实现可以参考AcWing 858. Prim算法求最小生成树
Kruskal算法¶
时间复杂度是,
表示点数，
表示边数
算法思想：
- 将所有边按权重从小到大排序
- 枚举每条边a,b 权重c
- if a,b不连通
- 将这条边加入集合中
int n, m; // n是点数，m是边数
int p[N]; // 并查集的父节点数组
struct Edge // 存储边
{
int a, b, w;
bool operator< (const Edge &W)const
{
return w < W.w;
}
}edges[M];
int find(int x) // 并查集核心操作
{
if (p[x] != x) p[x] = find(p[x]);
return p[x];
}
int kruskal()
{
sort(edges, edges + m);
for (int i = 1; i <= n; i ++ ) p[i] = i; // 初始化并查集
int res = 0, cnt = 0;
for (int i = 0; i < m; i ++ )
{
int a = edges[i].a, b = edges[i].b, w = edges[i].w;
a = find(a), b = find(b);
if (a != b) // 如果两个连通块不连通，则将这两个连通块合并
{
p[a] = b;
res += w;
cnt ++ ;
}
}
if (cnt < n - 1) return INF;
return res;
}具体实现可以参考AcWing 859. Kruskal算法求最小生成树
二分图¶
定义¶
二分图：当且仅当图中不含奇数环。将所有点分到两个集合中，边只在两个集合直接，不在单个集合内部。
染色法判别二分图¶
时间复杂度是,
表示点数，
表示边数
int n; // n表示点数
int h[N], e[M], ne[M], idx; // 邻接表存储图
int color[N]; // 表示每个点的颜色，-1表示未染色，0表示白色，1表示黑色
// 参数：u表示当前节点，c表示当前点的颜色
bool dfs(int u, int c)
{
color[u] = c;
for (int i = h[u]; i != -1; i = ne[i])
{
int j = e[i];
if (color[j] == -1)
{
if (!dfs(j, !c)) return false;
}
else if (color[j] == c) return false;
}
return true;
}
bool check()
{
memset(color, -1, sizeof color);
bool flag = true;
for (int i = 1; i <= n; i ++ )
if (color[i] == -1)
if (!dfs(i, 0))
{
flag = false;
break;
}
return flag;
}具体实现可以参考AcWing 860. 染色法判定二分图
匈牙利算法¶
时间复杂度是,
表示点数，
表示边数
int n1, n2; // n1表示第一个集合中的点数，n2表示第二个集合中的点数
int h[N], e[M], ne[M], idx; // 邻接表存储所有边，匈牙利算法中只会用到从第一个集合指向第二个集合的边，所以这里只用存一个方向的边
int match[N]; // 存储第二个集合中的每个点当前匹配的第一个集合中的点是哪个
bool st[N]; // 表示第二个集合中的每个点是否已经被遍历过
bool find(int x)
{
for (int i = h[x]; i != -1; i = ne[i])
{
int j = e[i];
if (!st[j])
{
st[j] = true;
if (match[j] == 0 || find(match[j]))
{
match[j] = x;
return true;
}
}
}
return false;
}
// 求最大匹配数，依次枚举第一个集合中的每个点能否匹配第二个集合中的点
int res = 0;
for (int i = 1; i <= n1; i ++ )
{
memset(st, false, sizeof st);
if (find(i)) res ++ ;
}具体实现可以参考AcWing 861. 二分图的最大匹配
网络流¶
最大流¶
最小割¶
费用流¶
2-SAT¶
朱流算法¶
Prufer编码¶
模拟退火¶
爬山法¶
数学知识¶
质数¶
定义¶
在大于1的整数中，如果只包含1和本身这两个约数，就被称为质数或者素数。
判断素数¶
bool is_prime(int x)
{
if (x < 2) return false;
for (int i = 2; i <= x / i; i ++ )
if (x % i == 0)
return false;
return true;
}分解质因数¶
这里依托一个基础，即至多有一个大于的质因子，因为同时出现两个大于
的质因子相乘就超过n了。因此只需要循环到
即可。如果还有n>1。说明这就是最后一个质因子。
void divide(int x)
{
for (int i = 2; i <= x / i; i ++ )
if (x % i == 0)
{
int s = 0;
while (x % i == 0) x /= i, s ++ ;
cout << i << ' ' << s << endl;
}
if (x > 1) cout << x << ' ' << 1 << endl;
cout << endl;
}筛质数¶
埃式筛法求素数¶
int countPrimes(int n) {
vector<bool> st(n + 1, false);
int nums = 0;
for (int i = 2; i < n; ++i) {
if (!st[i]) {
nums += 1;
for (int j = i + i; j < n; j += i) st[j] = true;
}
}
return nums;
}线性筛法求素数¶
int primes[N], cnt; // primes[]存储所有素数
bool st[N]; // st[x]存储x是否被筛掉
void get_primes(int n)
{
for (int i = 2; i <= n; i ++ )
{
if (!st[i]) primes[cnt ++ ] = i;
for (int j = 0; primes[j] <= n / i; j ++ )
{
st[primes[j] * i] = true;
if (i % primes[j] == 0) break;
}
}
}约数¶
int范围内约数最多的数大概是1560个约数。
试除法求所有约数¶
重点和试除法判断质数是一样的，优化的点是循环的范围。只需要判断到i<=n/i就行，之后的约数可以通过直接对之前的数字相除就行。需要特别注意的是，不要重复添加已经有的元素。
vector<int> get_divisors(int x)
{
vector<int> res;
for (int i = 1; i <= x / i; i ++ )
if (x % i == 0)
{
res.push_back(i);
if (i != x / i) res.push_back(x / i);
}
sort(res.begin(), res.end());
return res;
}约数个数&&约数之和¶
如果约数个数：
约数之和：
void get_divisor(std::unordered_map<int, int> &map, int x) {
for (int i = 2; i <= x / i; ++i) {
while (x % i == 0) {
x /= i;
map[i] += 1;
}
}
if (x > 1) map[x] += 1;
}
std::unordered_map<int, int> divisors;
for (int i = 0; i < n; ++i) {
scanf("%d", &x);
get_divisor(divisors, x);
}
// 约数个数
for (auto &it: divisors) {
res = (it.second + 1) * res % mod;
}
// 约数之和
for (auto &it: map) {
int p = it.first, a = it.second;
LL t = 1;
while (a--) t = (p * t + 1) % mod;
res = res * t % mod;
}最大公约数¶
欧几里得算法：两个整数的最大公约数等于其中较小的那个数和两数相除余数的最大公约数。
形式化表述为：
其证明可以在最大公约数找到。
算法演示动画如下：
int gcd(int m, int n) {
int t = 1;
while(t != 0) {
t = m % n;
m = n;
n = t;
}
return m;
}
//一行表示为
return b ? GCD(b, a % b) : a;欧拉函数¶
欧拉函数（Euler’s totient function），即，表示的是小于等于n和n互质的数的个数。
由唯一分解定理，设，其中
是质数，有
。
其证明在欧拉函数。
int res = x;
for (int i = 2; i <= x / i; ++i) {
if (x % i == 0) {
res = res / i * (i - 1);
while (x % i == 0) x /= i;
}
}
if (x > 1) res = res / x * (x - 1);快速幂¶
扩展欧几里德算法¶
中国剩余定理¶
高斯消元¶
组合计数¶
容斥原理¶
简单博弈论¶
莫比乌斯反演¶
积性函数¶
BSGS¶
FFT¶
生成函数¶
Burnside引理和Polya定理¶
斯特林数¶
线性基¶
动态规划¶
背包问题¶
01背包¶
01背包问题中每件物品只能选一次。只有选和不选两种情况。
void twoDimension(int n, int m) {
for (int i = 1; i <= n; ++i) {
for (int j = 0; j <= m; ++j) {
f[i][j] = f[i - 1][j];
if (j >= v[i]) {
f[i][j] = max(f[i][j], f[i - 1][j - v[i]] + w[i]);
}
}
}
printf("%d\n", f[n][m]);
}
void oneDimension(int n, int m) {
for (int i = 1; i <= n; ++i) {
for (int j = m; j >= v[i]; --j) {
ff[j] = max(ff[j], ff[j - v[i]] + w[i]);
}
}
printf("%d\n", ff[m]);
}完全背包¶
完全背包问题中每件物品能选无限多次。
void twoDimension(int n, int m) {
for (int i = 1; i <= n; ++i) {
for (int j = 0; j <= m; ++j) {
for (int k = 0; k * v[i] <= j; ++k) {
ff[i][j] = max(ff[i][j], ff[i - 1][j - k * v[i]] + w[i] * k);
}
}
}
printf("%d", ff[n][m]);
}
void oneDimension(int n, int m) {
for (int i = 1; i <= n; ++i) {
for (int j = v[i]; j <= m; ++j) {
f[j] = max(f[j], f[j - v[i]] + w[i]);
}
}
printf("%d", f[m]);
}多重背包¶
多重背包问题中每件物件能被选择的次数被限制。
可以观察出：
多重背包相较于完全背包的不同在于：
但是多重背包因为数量不是无限，因此在原本的展开式中会比预期多一项
所以时间时间复杂度为,可以通过打包多重背包，将其中的
优化为
。
# n*s*v
void twoDimension(int n, int m) {
for (int i = 1; i <= n; ++i) {
for (int j = 0; j <= m; ++j) {
for (int k = 0; k <= s[i] && k * v[i] <= j; ++k) {
ff[i][j] = max(ff[i][j], ff[i - 1][j - k * v[i]] + k * w[i]);
}
}
}
printf("%d", ff[n][m]);
}
# n*logs*v
// 这里的数量取决于物品的种数*log(s)
const int N = 25000;
int main() {
int n, m;
scanf("%d%d", &n, &m);
int a, b, s, cnt = 0;
for (int i = 1; i <= n; ++i) {
scanf("%d%d%d", &a, &b, &s);
//二进制化将原本的背包数量转成不同类型的物品
for (int k = 1; k <= s; k *= 2) {
cnt+=1;
v[cnt] = a * k, w[cnt] = b * k;
s -= k;
}
if (s > 0) {
cnt += 1;
v[cnt] = s * a, w[cnt] = s * b;
}
}
n = cnt;
for(int i=1;i<=n;++i){
for(int j=m;j>=v[i];--j){
f[j]=max(f[j],f[j-v[i]]+w[i]);
}
}
printf("%d",f[m]);
return 0;
}分组背包¶
分组背包问题中，物品被分为多组，每组只能选择一个物品。
线性DP¶
// 初始化路径数组
for (int i = 1; i <= n; ++i)
// 特别注意这里需要放宽循环，以便f(0,x)和f(i,j)在边界情况下没有初始化
for (int j = 0; j <= i + 1; ++j)
f[i][j] = -1e9;
f[1][1] = a[1][1];
for (int i = 2; i <= n; ++i) {
for (int j = 1; j <= i; ++j) {
f[i][j] = max(f[i - 1][j - 1], f[i - 1][j]) + a[i][j];
}
}
for (int i = 1; i <= n; ++i)
f[n][0] = max(f[n][0], f[n][i]);
printf("%d", f[n][0]);针对两个数组或者字符串的题目，可以表示成第一个的第i位和第二个的第j位的状态。
区间DP¶
区间dp的问题需要注意循环的方式，最外层是区间长度，其次是起始位置，最后是区间切分表达式的位置。
计数类DP¶
数位统计DP¶
状态压缩DP¶
树状DP¶
记忆化搜索¶
基环树¶
四边形不等式优化¶
插头DP¶
贪心¶
计算几何¶
二维计算几何基础¶
凸包¶
半平面交¶
最小圆覆盖¶
三维计算几何基础¶
三维凸包¶
旋转卡壳¶
三角剖分¶
扫描线¶
自适应辛普森积分¶
常用STL¶
所有容器中都有size()和empty()函数时间复杂度为。
vector¶
变长数组，倍增思想。
系统中为某一程序分配空间时所需时间时间，与空间大小无关，与申请次数有关。vector插入的平均性能可以理解为是。
vector<int> a(10); //a中10个元素
vector<int> a(10,3); //a中10个元素，都是3
size()
empty()
clear() 清空
front()/back()
push_back()/pop_back()
begin()/end()
[] // 随机寻址
支持比较运算，按字典序
for (vector<int>::iterator i=a.begin();i!=a.end();i++) // 迭代器可以看做是指针，用*获取pair¶
pair<int, int> // 两个元素不要求相同类型
实例化：p=make_pair(11,"wang");
p={20,"abc"}
first, 第一个元素
second, 第二个元素
支持比较运算，以first为第一关键字，以second为第二关键字（字典序）string¶
size()/length() 返回字符串长度
empty()
clear()
substr(起始下标，(子串长度)) 返回子串
c_str() 返回字符串所在字符数组的起始地址queue¶
队列
size()
empty()
push() 向队尾插入一个元素
front() 返回队头元素
back() 返回队尾元素
pop() 弹出队头元素priority_queue¶
优先队列，默认是大根堆。
如果想要小顶堆有两种方式：
- 可以存放-x，即在数值前加上负号
priority_queue<int, vector<int>, greater<int>> q;
size()
empty()
push() 插入一个元素
top() 返回堆顶元素
pop() 弹出堆顶元素
定义成小根堆的方式：priority_queue<int, vector<int>, greater<int>> q;**优先队列不支持修改元素的值。**如果需要修改元素的值，只能在此插入，会存在冗余值的问题。
stack¶
栈
size()
empty()
push() 向栈顶插入一个元素
top() 返回栈顶元素
pop() 弹出栈顶元素deque¶
双端队列，效率较差。
size()
empty()
clear()
front()/back()
push_back()/pop_back()
push_front()/pop_front()
begin()/end()
[]set map multiset multimap¶
multiset支持重复元素，set不支持重复元素。
基于平衡二叉树（红黑树），动态维护有序序列
size()
empty()
clear()
begin()/end()
++, -- 返回前驱和后继，时间复杂度 O(logn)
set/multiset
insert() 插入一个数
find() 查找一个数
count() 返回某一个数的个数
erase()
(1) 输入是一个数x，删除所有x O(k + logn) // k是x的个数
(2) 输入一个迭代器，删除这个迭代器
lower_bound()/upper_bound()
lower_bound(x) 返回大于等于x的最小的数的迭代器，不存在返回end迭代器
upper_bound(x) 返回大于x的最小的数的迭代器，不存在返回end迭代器
map/multimap
insert() 插入的数是一个pair
erase() 输入的参数是pair或者迭代器
find()
[] 注意multimap不支持此操作。 时间复杂度是 O(logn)
lower_bound()/upper_bound()unordered_set unordered_map unordered_multiset unordered_multimap¶
哈希表
和上面类似，增删改查的时间复杂度是
不支持 lower_bound()/upper_bound()， 迭代器的++，–
bitset¶
压位
bitset<10000> s;// 此处的10000为长度
~, &, |, ^
>>, <<
==, !=
[]
count() 返回有多少个1
any() 判断是否至少有一个1
none() 判断是否全为0
set() 把所有位置成1
set(k, v) 将第k位变成v
reset() 把所有位变成0
flip() 等价于~
flip(k) 把第k位取反
